Escolar Documentos
Profissional Documentos
Cultura Documentos
TRÊS LAGOAS
2023
1
RESUMO
ABSTRACT
2
dos diagnósticos e prevê um tratamento específico para cada tipo de paciente, isso
ajuda a staff de trabalho, aumentando a efetividade e eficiência (National Health
Service, 2019).
Embora muito conhecimento fora adquirido fechar os olhos para uma
possível catástrofe futura, seria uma atitude de completa ignorância devemos nos
adiantar a adversidades como essas e continuarmos evoluído, buscando entender
como poderíamos lidar de maneira mais eficaz e diminuir os riscos. Não apenas para
um período pandêmico, mas também pensando em uma transformação no sistema
de saúde em geral, aonde o trabalho em conjunto de “mente máquina” e a “mente
humana”, geraria uma maior eficiência e eficácia na resolução de atividades
repetitivas e em diagnósticos preditivos, fazendo com que o foco principal do
trabalho humano seja realmente analisar esses dados gerados por inteligência
artificial e trazer um lado mais empático e reforçar essa sensação de acolhimento e
tratamento aos pacientes.
1.1 OBJETIVO
O principal objetivo desse projeto é desenvolver, testar e validar modelos
de aprendizagem de máquina que possam de maneira precisa e eficaz prever a
probabilidade de morte de pacientes com COVID-19.
3
priorizar o atendimento evitando o aumento de casos de mortalidade. Contribuindo
também para uma melhor gestão desses pacientes no âmbito hospitalar, deixando
em aberto uma possível adaptação desse processo de atendimento para outros
tipos de doenças.
3 REFERENCIAL TEÓRICO
Os primórdios da IA datam de 1950, quando Alan Turing publicou seu artigo
“Computing Machinery and Intelligence” e propôs o teste (hoje nomeado TT em sua
homenagem) que compara a performance de um computador e de uma pessoa na
solução de um problema.
Computadores podem armazenar e recuperar dados sobre imagens, como
lesões dermatológicas ou exames radiológicos, de ultrassom, de ressonância
magnética, de tomografia por emissão de pósitrons (PET), de ecocardiogramas, de
eletroencefalogramas, eletrocardiogramas, dados de dispositivos vestíveis/corporais
(wearable devices) e gerar probabilidades de diagnóstico baseadas em algoritmos
de decisão estabelecidos e que podem se auto modificar em decorrência de
resultados obtidos (self improvement). (Luiz Carlos Lobo, 2017).
Em trabalho recente, Mukherjee relata a experiência de Sebastian Thrun, da
Universidade de Stanford, que armazena, numa rede neural de computação, 130 mil
imagens de lesões da pele classificadas por dermatologistas. O sistema usa
algoritmos que reconhecem imagens e suas características (pattern recognition). Em
junho de 2015, Thrun e equipe começaram a validar o sistema usando um conjunto
de 14 mil imagens que haviam sido diagnosticadas por dermatologistas, solicitando
que o sistema reconhecesse três tipos de lesão: benignas, malignas e crescimentos
não cancerosos. O sistema acertou 72% das vezes, comparado com um acerto de
66% obtido por dermatologistas qualificados. A experiência de Thrun foi ampliada
para incluir 25 dermatologistas e uma amostra de 2 mil casos biopsiados. A máquina
continuou sendo mais acurada. (Mukherjee S. A.I)
O uso da inteligência artificial não seria algo facilmente implementado do dia
para a noite, mesmo com a melhor eficiência no processo de passar dados físicos
para banco de dados já resultaria em anos de trabalho. O que nos dá uma
4
oportunidade de pensar em outras maneiras de fazer essa realocação de informação
para os computadores, também tomariam meses de aprendizados para que as
falhas não humanas sejam reduzidas ainda assim com muito tempo de
aprendizagem não seria possível dizer se algum dia chegaríamos em um resultado
aonde o uso da inteligência humana não seja necessária.
4 METODOLOGIA
Inteligência Artificial envolve várias etapas ou competências, como
reconhecer padrões e imagens, entender linguagem aberta escrita e falada,
perceber relações e nexos, seguir algoritmos de decisão propostos por especialistas,
ser capaz de entender conceitos e não apenas processar dados, adquirir
“raciocínios” pela capacidade de integrar novas experiências e, assim, se auto
aperfeiçoar, resolvendo problemas ou realizando tarefas.
Como abordado esse trabalho tem como uso o modelo de aprendizagem de
máquina Decision tree. Árvores de decisão (DTs) são um método de
aprendizagem supervisionado não paramétrico usado para classificação e
regressão. O objetivo é criar um modelo que preveja o valor de uma variável alvo,
aprendendo regras de decisão simples inferidas a partir dos recursos dos dados.
Uma árvore pode ser vista como uma aproximação constante por partes. (C.
Stone, 1984)
5
Numerical Python (NumPy), utilizada para cálculos numéricos e científicos
tendo os principais recursos disponíveis, as matrizes NumPy fornecem
vetorização de operações matemáticas, o que aumenta o desempenho além de
possuir compatibilidade com outras bibliotecas também utilizadas.
A biblioteca utilizada para criação das dashboards seria, Dash que permite
construir e realizar o deploy de painéis interativos customizados
4.3 DASHBOARD
6
atuara como um painel central aonde informações críticas e atualizadas, serão
fornecidas para os profissionais da saúde e gestores.
A plataforma oferecerá uma tela com visão geral dos casos de covid-19 de
determinada região, essa primeira visão ajudaria a compreender o impacto da
doença nesse grupo populacional. Em outra tela seria possível ter uma análise
dinâmica dos casos em tempo real, casos ativos, taxa de recuperação e
fatalidades, auxiliando na tomada de decisões ágeis e a distribuição dos recursos
do hospital. Já na última tela utilizando dados clínicos e histórico médico dos
pacientes, a inteligência artificial poderia por sua vez predizer precisamente a
porcentagem de morte associada ao covid-19.
5 CRONOGRAMA DE ATIVIDADES
MÊS / ETAPAS 02/2024 03/24 04/24 05/24 06/24 07/24 08/24 09/24 10/24 11/24 12/24
Aprendizagem X X
das ferramentas
Levantamento X X
bibliográfico
Elaboração do X X
projeto
Tratamento do X
banco de dados
Desenvolviment X X X
o da IA
Testes do X X X
modelo
Desenvolviment X X
o das
dashboards
Teste em X X X
postos de
saúde
Revisão final e X X
entrega do
projeto
Escrita do X X
artigo
7
Publicação do X
artigo em
revista
6 RESULTADOS ESPERADOS
8
REFERÊNCIAS
Badawi O, Brennan T, Celi LA, Feng M, Ghassemi M, Ippolito A, et al. Making Big
Data Useful for Healthcare: A Summary of the Inaugural Critical Data Conference.
JMIR Med Inform. 2014; 2:e22. doi: 10.2196/medinform.3447.
Topol E. The Topol review: preparing the healthcare workforce to deliver the
digital future. London: National Health Service; 2019.4.
Mukherjee S. A.I. Versus M.D: what happens when diagnosis is automated? The
New Yorker [on line] 2010 april 3. Disponível em:
<http://www.newyorker.com/magazine/2017/04/03/ai-versus-md>